BAB 3

METODE PENELITIAN

3.1. Metode Time Series

3.1.1. Definisi Peramalan dan Time Series
Peramalan (forecasting)adalah kegiatan memperkirakan apa yang
terjadi pada masa yang akan datang berdasarkan data yang relevan pada masa
lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk
model matematis. Bisa juga merupakan prediksi intuisi yang bersifat
subyektif,atau dengan menggunaan kombinasi model matematis yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer. Metode
peramalan yang baik adalah yang memberikan hasil peramalan yang tidak
berbeda dengan kenyataan yang terjadi. Dalam teknik peramalan terdapat
beberapa jenis model. Antara lain :
Metode Delphi
Opini juri eksekutif
Model kualitatif

Komposit kekuatan
Survey pasar
konsumen
Rata-rata bergerak

Teknik Peramalan

Model runtut waktu

Exponential smoothing
Proyeksi trend
Analisa regresi

Model kausal

Metode ARIMA

Gambar 3.1 Beberapa Metode Teknik Peramalan

Sumber : Render dan Stair,2000

1. Model kualitatif. Model yang berupaya memasukkan faktor-faktor

subyektif dalam model peramalan. Model semacam ini diharapan akan
sangat bermanfaat apabila data kuantitaif yang akurat sulit diperoleh.

60
Pengelolaan kas..., Arif Subekti, FE UI, 2010.

Universitas Indonesia

61

2. Model runtut waktu (time series) Model ini berusaha untuk

memprediksi masa depan dengan menggunakan data historis.
3. Model kausal. Model ini memasukkan dan menguji variabel-variabel
yang diduga memengaruhi variabel dependent. Model kausal biasanya
menggunakan analisis regresi untuk menentukan mana variabel yang
signifikan mempengaruhi variabel dependen. Model ini juga dapat
menggunakan metode ARIMA untuk mencari mode terbaik yang dapat
digunakan dalam peramalan
Data time series merupakan data yang dikumpulkan, dicatat atau
diobservasi sepanjang waktu secara berurutan. Periode waktu observasi dapat
berbentuk tahun, kuartal, bulan, minggu dan dibeberapa kasus dapat juga hari
atau jam. time series dianalisis untuk menemukan pola variasi masa lalu yang
dapat dipergunakan untuk memperkirakan nilai masa depan dan membantu
dalam manajemen operasi serta membuat perencanaan. Menganalisis time
series berarti membagi data masa lalu menjadi komponen-komponen dan
kemudian memproyeksikannya ke masa depan Analisis time series dipelajari
karena dengan mengamati data time series akan terlihat empat komponen
yang mempengaruhi suatu pola data masa lalu dan sekarang, yang cenderung
berulang dimasa mendatang. Empat komponen pola deret waktu, antara lain :
1. Trend, Yaitu komponen jangka panjang yang mendasari pertumbuhan
(atau penurunan) suatu data runtut waktu. Merupakan pergerakan data
sedikit demi sedikit meningkat atau menurun.
2. Siklikal, yaitu suatu pola dalam data yang terjadi setiap beberapa tahun.
fluktuasi atau siklus dari data runtut waktu akibat perubahan kondisi
ekonomi
3. Musiman (seasonal), yaitu pola data yang berulang pada kurun waktu
tertentu.

fluktuasi

musiman

yang

sering

dijumpai

pada

data

kuartalan,bulanan atau mingguan.

4. Tak Beraturan, yaitu pola acak yang disebabkan oleh peristiwa yang
tidak bisa diprediksi atau tidak beraturan.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

62

bar 3.2. Koomponen pola deret waktu

w
Gamb
Dalam meramal
m
peendapatan daan belanja daerah
d
dataa yang digun
nakan
ada kecenderun
k
gan bersifaat musiman
n, terutamaa bila mennggunakan data
bulannan. Sehinggga metode smoothing dianggap leebih tepat uuntuk digun
nakan
sebaggai metode peramalanny
p
ya. Metode Smoothingg merupakann salah satu
u jenis
teknikk yang dggunakan dalam analiisis time series untuuk membeerikan
peram
malan jangkka pendek. Dalam melakukan
m
Smoothingg (penghallusan)
terhaddap data. Nilai
N
masa lalu digun
nakan untukk mendapaatkan nilai yang
dihaluuskan untuk time serries. Nilai yang telahh dihaluskaan ini kemu
udian
diekspplorasi unttuk meram
mal nilai masa
m
depann. Ada Beeberapa metode
m
penghhalusan dalaam peramalan antara laain :
1. Rata-rata Bergerak
B
( Moving
M
Aveerage ).

Meenggunakann n nilai daata terbaru dalam suaatu deret beerkala

unntuk meramaalkan period
de yang akaan datang

Raata-rata peruubahan atau

u pergerakann sebagai obbservasi barru

Peenghitungann rata-rata beergerak adaalah sebagaii berikut :

( 3.1)
3

Rata-rrata Bergeraak Tertimbaang (Weightted Moving A

Average)

Meelibatkan penimbang
p
untuk
u
setiaap nilai dataa dan kemu
udian
meenghitung rata-rata penimbang
p
sebagai nnilai peram
malan.
Coontoh rata--rata bergeerak tertim
mbang 3 pperiode dih
hitung
sebbagai berikuut
(3.2)
Dimana juumlah total;; penimbangg (nilai w)=
=1
Unive
ersitas Indo
onesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

63

2. Penghalusan Eksponensial (Exponential Smoothing)

Merupakan kasus khusus dari metode rata-rata bergerak

tertimbang dimana penimbang dipilih hanya untuk observasi
terbaru.Penimbang yang diletakkan pada observasi terbaru
adalah nilai konstanta penghalusan

Penimbang untuk menilai data selain dihitung secara otomatis

dan semakin lama periode waktu sesuatu observasi nilainya
akan semakin kecil.
Y

(3.3)

Dimana :
F t+1

= nilai peramalan untuk periode t+1

Yt

= nilai sebenarnya untuk periode t+1

Ft

= nilai peramalan untuk periode t

= konstanta penghalusan (0 1)

3.1.2. Metode Dekomposisi.

Untuk meramalkan suatu peristiwa yang terjadi menggunakan data
bulanan seperti penerimaan pendapatan perbulan atau penggunaan data
perbulan digunakan pola musiman. Untuk mengetahui pola data tersebut
maka diperlukan analisa dekomposisi data. Metode dekomposisi digunakan
untuk mengenali pola kegiatan dan digunakan dalam siklus bisnis.
Pendekatan ini mencoba menguraikan pola-pola dasar deret berkala menjadi
sub pola musim,siklus,trend dan random. Beberapa sub pola kemudian
dianalisa secara terpisah, diekstrapolasi kedepan dan kemudian digabung
kembali untuk mendapatkan ramalan data asli (Makridakis;1999).Untuk
mengetahui keuangan daerah, khususnya penerimaan dan pengeluaran yang
akan digunakan untuk membuat anggaran kas, maka hal ini cukup tepat bila
digunakan untuk menganalisis siklus manajemen kas daerah. Penulisan
matematis umum dari Pendekatan dekomposisi adalah
Xt = f(It, Tt , Ct, Et)

(3.4)

Dimana :
Xt adalah nilai deret berkala (data yang aktual) pada periode t,
Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

64

It adalah komponen musiman (atau indeks) pada periode t,

Tt adalah komponen trend pada periode t,
Ct adalah komponen siklus pada periode t, dan
Et adalah komponen galat atau acak pada periode
Metode dekomposisi bertujuan untuk memisahkan setiap komponen
deret data seteliti mungkin. Konsep dasar dalam pemisahan tersebut bersifat
empiris dan tetap. Mulamula memisahkan musiman, lalu trend dan akhirnya
siklus.Residu yang ada dianggap unsur acak yang walaupun tidak dapat
ditaksir tetapi dapat diidentifikasi. Metode dekomposisi dapat berasumsi pada
model aditif atau multiplikatif dan betuknya dapat bervariasi. Dekompoisi
rata-rata sederhana berasumsi pada model additif :
Xt= ( It + Tt + Ct ) + Et

(3.5)

Metode rasio pada trend menggunakan model multiplikatif dalam

bentuk :
Xt= ( It * Tt * Ct ) * Et

(3.6)

Metode dekomposisi rata-rata sederhana dan rasio trend pada masa

lalu telah digunakan terutama karena perhitungannya yang mudah tetapi
metode tersebut kehilangan daya tariknya dengan dikenalnya komputer secara
luas, dimana mengakibatkan aplikasi pendekatan dengan varias metode rasio
rata-rata bergerak lebih disukai. Metode ini berasumsi pada model
multiplikatif dalam bentuk :
Xt= It x Tt x Ct x Et

(3.7)

Metode rasio rata-rata bergerak mula-mula memisahkan unsur trendsiklus dari data dengan menghitung rata-rata bergerak yang jumlah unsurnya
sama dengan panjang musiman. Rata-rata bergerak dengan panjang seperti ini
tidak mengandung unsur musiman dan tanpa atau sedikit sekali unsur acak.
Rata-rata bergerak yang dihasilkan, Mt, adalah
Mt= Tt x Ct

(3.8)

Persamaan (3.8) hanya mengandung faktor trend dan siklus, karena

faktor musiman dan keacakan telah dieliminas dengan perata-rataan
persamaan (3.7) dapat dibagi dengan (3.8) untuk memperoleh persamaan
(3.9)
Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

65

Persamaan (3.9) merupakan rasio dari data yang sebenarnya dengan ratarata bergerak dan mengisolasi dua komponen deret berkala lainnya. Nilai ratio
tersebut berkisar diantara 100, menunjukkan pengaruh musiman pada nilai ratarata data yang telah dihilangkan faktor musimannya (deseasionalized). Langkah
selanjutnya dalam metode dekomposisi adalah menghilangkan keacakan dari
nilai-nilai yang diperoleh persamaan (3.9) dengan menggunakan suatu bentuk
rata-rata pada bulan yang sama atau disebut dengan metode rata-rata medial
pada saat ini. Rata-rata medial disusun menurut bulan untuk setiap tahunnya.
Rata-rata medial adalah nilai rata-rata untuk setiap bulan setelah dikeluarkan
nilai terbesar dan terkecil. Indeks musiman dapat diperoleh dengan mengalikan
setiap rata-rata medial dengan faktor penyesuaian dari rata-rata. Maka dari
perhitungan ini akan didapat indeks musiman atau seasonal index atau dalam
literatur lain disebut seasonal factor. Indeks musiman ini memperlihatkan pola
musiman dari data yang terjadi dalam setiap periodenya.Sehingga kita dapat
menganalisa adanya pola yang berbeda di setiap bulnnya berdasarkan indeks
musiman ini.
Sedangkan untuk melakukan proyeksi di masa depan maka dapat
menggunakan regresi linier dengan data yang telah di deseasionalized atau
seasonally adjusted series. Data ini didapat dari rasio atau pembagian antara data
asli/aktual dengan seasonal factornya. Data inilah yang akan dilakukan regresi
linier yang akan menghasilkan persamaan :
Y= a + bt

(3.10)

t merupakan periode yang akan dilakukan proyeksi dengan terlebih dahulu

dengan melakukan coding secara berurutan sesuai urutan proyeksi. Hasil Y
proyeksi yang diperoleh dikalikan dengan indkes musimannya untuk
memperoleh hasil prediksi yang lebih akurat. Dari metode ini dapat dihitung
proyeksi bulanan yang dapat dijadikan pedoman untuk menganalisa hasil yang
akan diperoleh di bulan tertentu dimasa mendatang.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

66

3.1.3. Metode Winters Multiplicative Exponential Smoothing

Selain metode dekomposisi untuk memproyeksi data yang bersifat
musiman dapat dilakukan dengan metode kecenderungan dan musiman tiga
parameter dari winters atau biasa disebut winters multiplicative. Metode winters
didasarkan atas tiap persamaan pemulusan, yaitu satu untuk unsur stasioner, satu
untuk trend dan satu untuk musiman Memproyeksi data time series yang bersifat
musiman yang memiliki data stasioner dengan efek musiman yang multiplikaf
atau biasa disebut Multiplicative seasonal Effect dapat menggunakan metode
winter multiplicative method dengan rumus sebagai berikut :
= ( St + btm) x It-L+m
= ( Xt/It-L ) + ( 1- ) (St-1+ bt+1)
Dimana
= (St St-1 ) + (1- ) bt-1
= ( Xt/St ) + (1- ) It-L
0 1, 0 1 dan 0 1
L = jumlah periode musim
Ft+m
St
bt
It

(3.11)
(3.12)
(3.13)
(3.14)

St = pemulusan keseluruhan
bt = Pemulusan Trend pada periode t
It = Pemulusan Musiman
F = Proyeksi nilai yang akan diharapkan pada periode t+m

3.1.4. Metode Exponential Smoothing Holt dan Brown

Pada beberapa kasus komponen anggaran kas tidak mampu
diproyeksi secara musiman. Hal ini dikarenakan terdapat data yang
hilang atau tidak lengkapnya data perbulan. Tidak lengkapnya data ini
bukan berarti datanya tidak mampu didapat namun secara faktual date
tersebut tidak ada, antara lain untuk lain-lain penerimaan daerah yang
sah. Pengeluaran pembiayaan dan penerimaan pembiayaan. Komponen
anggaran kas ini tidak adanya transaksi di bulan-bulan tertentu, misalkan
bulan mei, juni dan juli untuk penerimaan pembiayaan tidak ada. Oleh
karena itu proyeksi dilakukan dengan metode exponential smoothing
Holt dan exponential smoothing Brown. Dan untuk mendistribusikan
pada bulan yang bersangkutan, maka dilakukan dengan mengalikan ratarata transaksi dengan indeks musimannya.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

67

Metode eksponensial smoothing brown. Adalah pendekatan

pemulusan eksponensial linier atau berganda dimana pemulusan
eksponensial linier mengambil perbedaan antara nilai tunggal yang
dihaluskan dan aplikasi kedua dari penghalusan menjadi nilai-nilai
tunggal

yang

dihaluskan

agar

menyelaraskan

hasil

pemulusan

eksponensial untuk suatu kecenderungan. Model persamaannya sebagai

berikut :

Dimana

at
St
St
bt

Ft+m = at + btm
(3.15)
= St + (S-St) = 2St- St
= Xt + ( 1- ) St-1
= St + ( 1- ) St-1
=
( St St)

(3.16)
(3.17)
(3.18)
(3.19)

m = Jumlah periode ke muka yang akan diramalkan

St = pemulusan eksponensial tunggal
St = pemulusan eksponensial ganda
F t+m = Proyeksi nilai yang akan diharapkan pada periode t+m
Metode Holt pada prinsipnya sama dengan metode Holt kecuali bahwa
holt tidak menggunakan rumus pemulusan berganda secara langsung ,
sebagai gantinya holt memuluskan nilai trend dengan parameter yang
berbeda dari parameter yang digunakan pada deret yang asli. Ramalan dari
pemulusan eksponensial linier holt di dapat dengan menggunakan dua
konstanta pemulusan (dengan nilai antara 0 dan 1) dan tiga persamaan :
(3.20)
Ft+m = St + btm
= Xt + ( 1- ) (St-1 + bt-1)
(3.21)
Dimana
St
bt
= ( St St-1) + (1-)bt-1)
(3.22)
Persamaan (3.21) menyesuaikan St secara langsung untuk trend
periode sebelumnya, yaitu bt-1 dengan menambahkan nilai pemulusan yang
terakhir, yaitu St-1.hal ini membantu untuk menghilangkan kelambatan dan
menempatkan St kedasar perkiraan nilai data saat ini. Kemudian
persamaan (3.22) meremajakan trend, yang ditunjukan sebagai perbedaan
antara dua nilai pemulusan yang terakhir. Akhirnya persamaan (3.20)
digunakan untuk ramalan kemuka .trend,bt. dikalikan dengan jumlah
periode kemuka yang diramalkan m dan ditambahkan pada nilai dasar, St
Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

68

3.1.5. Mengukur Ketepatan Penerapan Model.

Keakuratan keseluruhan dari setiap model peramalan baik itu ratarata bergerak, eksponensial smoothing atau lainnya dapat dijelaskan dengan
membandingkan nilai yang diproyeksikan dengan nilai aktual atau nilai yang
diamati. Untuk tingkat akurasi peramalan dapat diukur dari nilai berikut :
1. Mean Squared Error (MSE). Merupakan rata-rata jumlah kuadrat
kesalahan peramalan.
1
n

Y Y

2. Root Mean Square Error (RMSE).merupakan akar dari nilai yang

diperoleh dalam MSE,

Semakin kecil nilai RMSE, semakin baik tingkat akurasi prediksinya

3. Mean Absolute Persentage Error (MAPE) = adalah menghitung rata
persentase kesalahan pertama dari beberapa periode. Dengan rumus :
Y Y
Y

Yt = Nilai Observasi

Y = Nilai peramalan

Semakin kecil nilai MAPE, semakin baik tingkat akurasi prediksinya

4. Mean Absolute Deviaton (MAD) = adalah mengukur dengan mengambil
jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah
periode data.
MAD =
Yt = Nilai Observasi

Y Y

Y = Nilai peramalan

Semakin kecil nilai MAD, semakin baik tingkat akurasi prediksinya.

Keakuratan sebuah model peramalan dalam melakukan prediksi
ditentukan oleh nilai terkecil dari masing-masing metode akurasi data,
semakin kecil nilai tersebut semakin akurat sebuah model melakukan
prediksi. Untuk mengetahui teknik mana yang terbaik untuk data tertentu
maka biasanya dilakukan dengan mencoba beberapa teknik berbeda dan
memilih salah satu yang terbaik.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

69

3.2. Alasan Pemilihan Model

Peramalan usulan menggunakan teknik kuantitatif metode time
series dengan asumsi bahwa pola anggaran akan berlanjut dan berulang
dimasa yang akan datang. Dimulai dengan pengumpulan data historis
realisasi APBD, kemudian diidentifikasi pola datanya dengan uji auto
korelasi, kemudian dilakukan peramalan dengan metode yang sesuai dengan
pola data. Setelah itu dilakukan uji akurasi untuk kemudian dibandingkan
dengan metode peramalan yang lain. Metode dengan error terkecil akan
dipilih menjadi peramalan usulan. Secara bagan alir dapat dilihat pada
gambar 3.4.
Secara lengkap, gambar 3.4 dapat dijelaskan sebagai berikut :
komponen anggaran kas yang terdiri dari Pendapatan asli daerah, dana
perimbangan, lain-lain pendapatan daerah yang sah, belanja langsung, belanja
tidak langsung, penerimaan pembiayaan dan pengeluaran pembiayaan
memiliki kecenderungan pola data yang berbeda-beda sebagaimana terlihat
pada gambar 3.3. Untuk PAD, Dana Perimbangan, belanja langsung dan
belanja tidak langsung terdapat kecenderungan pola musiman dimana pola
data berulang pada kurun waktu tertentu, yang dalam hal ini adalah secara
bulanan pada tahun yang berbeda, untuk itu model yang akan digunakan
adalah model yang mengakomodir pola musiman yaitu model regresi linier
sederhana dengan seasonal decomposition dan satu lagi adalah winter
multiplicative exponential smoothing, dari dua model ini dibandingkan nilai
keakurasia peramalannya dengan menggunakan penghitungan RMSE, MAPE
dan MAD, nilai yang lebih kecil lah yang akan dipilih sebagai model
peramalan untuk tahun-tahun berikutnya dan nilai RMSE,MAPE dan MAD
yang lebih besar akan diabaikan dan tidak digunakan dalam peramalan.
Untuk komponen anggaran kas yang lain yaitu lain-lain pendapatan
daerah yang sah, penerimaan pembiayaan dan pengeluaran pembiayaan, pada
gambar 3.3 terlihat kecenderungan pola data yang mengandung unsur trend,
sehingga model yang digunakan pun berbeda dengan yang cenderung
musiman. Untuk itu digunakan dua model yang mengakomodir unsur trend
yaitu, exponential smooting holt methods dan exponential smoothing brown
Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

70

methods, dari dua model ini juga dibandingkan tingkat keakurasian

peramalannya menggunakan penghitungan RMSE, MAPE dan MAD, Nilai
RMSE, MAPE dan MAD yang lebih kecil lah yang akan dipilih dan
digunakan sebagai model peramalan untuk tahun-tahun berikutnya,
sedangkan model yang memiliki nilai RMSE,MAPE dan MAD yang lebih
besar akan diabaikan dan tidak digunakan sebagai model peramalan.
PendapatanAsliDaerah

DanaPerimbangan

20.000,00

BelanjaLangsung

80.000,00

Okt09

Mei09

Jul08

Des08

Sep07

Jan06

Okt09

Mei09

Jul08

Des08

Feb08

Apr07

Sep07

Jun06

Nop06

Jan06

Feb08

5.000,00

Apr07

10.000,00

Nop06

15.000,00

Jun06

100.000,00
80.000,00
60.000,00
40.000,00
20.000,00

BelanjaTidakLangsung
80.000,00

Jan06
Mei06
Sep06
Jan07
Mei07
Sep07
Jan08
Mei08
Sep08
Jan09
Mei09
Sep09

Sep09

Jan09

Mei09

Sep08

Jan08

Mei08

Sep07

Jan07

Mei07

20.000,00

Sep06

40.000,00

20.000,00

Jan06

60.000,00

40.000,00

Mei06

60.000,00

LainlainPendapatanDaerah
60.000
50.000
40.000
30.000
20.000
10.000
0

PenerimaanPembiayaan
80.000
60.000
40.000
20.000
0

2003 2004 2005 2006 2007 2008 2009

8.000

PengeluaranPembiayaan

6.000
4.000
2.000
0

2003 2004 2005 2006 2007 2008 2009

Gambar 3.3. Pola Data Aktual Komponen Anggaran Kas

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

71

Model
diabaikan
Tidak
Regresi linier sederhana
dengan seasonal
decomposition

Komponen Anggaran Kas

Pendapatan Asli Daerah

Berulang secara musiman

kecil
Ya

Kecenderungan
Pola Data

Model
Dipilih

Belanja Langsung
Exponential Smoothing
(Holt Methods)

Belanja Tidak Langsung

Penerimaan Pembiayaan

Nilai
RMSE,MAPE
dan MAD lebih

Winter Multiplicative
methods

Dana Perimbangan
Lain-lain Pendapatan yang
Sah

Membandingkan
akurasi model
(RMSE,MAPE,
MAD)

Mengandung unsur Trend

Pengeluaran Pembiayaan
Exponential Smoothing
(Brown Methods)

Ya
Membandingkan
akurasi model
(RMSE,MAPE,
MAD)

Nilai
RMSE,MAPE
dan MAD lebih

kecil

Tidak

Gambar. 3.4. Pemilihan Model Untuk Analisis Komponen Anggaran Kas

Model
diabaikan
Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

72

3.3. Siklus dan Metode Penyusunan Anggaran Kas

Sebagai implementasi penyusunan manajemen kas di Kabupaten
Pekalongan diperlukan alat untuk mengetahui berapa penerimaan dan
pengeluaran yang akan diterima oleh pemerintah daerah Kabupaten
Pekalongan. Hal ini dapat dilakukan dengan metode peramalan secara
ilmiah.Beberapa kategori penerimaan dan belanja dapat dilakukan dengan
kebijakan

daerah, misalkan pembayaran pokok hutang dan bunga yang

didasarkan pada perjanjian hutang antara pemerintah dan pemberi pinjaman.

Dan ada pula penerimaan dan pengeluaran yang tidak mampu diprediksi
dengan baik dikarenakan data yang tidak tersedia atau data yang dihitung
dengan formulasi tertentu. Seperti Dana Alokasi Umum dan dana
perimbangan lainnya. Oleh karena itu manajemen kas, dalam hal ini
penyusunan anggaran kas tidak menjadi data baku yang statis, namun selalu
dinamis. Berikut adalah bagan dari setiap komponen penerimaan dan belanja
daerah yang akan di analisa dengan analisis seasonal decomposition maupun
metode proyeksi lainnya.

Penerimaan
Daerah

Pendapatan Asli
Daerah(1)

Pendapatan
Daerah

Dana Perimbangan(2)

Penerimaan
Pembiayaan(6)

Lain-lain Pendapatan
yang Sah (3)

APBD
Belanja Langsung(4)

Belanja Daerah
Pengeluaran
Daerah

Belanja Tidak
Langsung(5)

Pengeluaran
Pembiayaan(7)

Gambar 3.5. Komponen Penyusun APBD Kabupaten/Kota

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

73

Dari berbagai komponen penyusun APBD tersebut, analisa dekomposisi dan

proyeksi dilakukan pada tujuh komponen yang memiliki karakter dan pola yang
berbeda, antara lain : pendapatan asli daerah (PAD), dana perimbangan, lain-lain
pendapatan yang sah,belanja langsung,belanja tidak langsung, penerimaan
pembiayaan dan pengeluaran pembiayaan. Kesemua komponen ini muaranya
adalah sama yaitu terhadap penerimaan daeran dan pengeluaran daerah. Dari dua
muara ini akan diketahui pula mengenai jumlah idle cash yang dimiliki oleh
pemerintah Kabupaten Pekalongan setiap bulannya. Bagan alir penyusunan kas
daerah adalah sebagaimana terlihat dalam Gambar 3.6.
3.4. Metode Penyusunan Aliran Kas Daerah
Terdapat empat elemen utama anggaran kas yang perlu diperoleh
informasinya, yaitu :1) saldo awal kas, 2) Perkiraan Penerimaan Kas, 3)
perkiraan pengeluaran kas dan 4) perkiraan saldo kas akhir kas setiap bulan.
Tabel 3.1. Penghitungan Aliran Kas Daerah
Bulan

Saldo Awal

Penerimaan

Total

Pengeluaran Saldo Akhir

Januari

Rp..xx

Rp..xx

Rp..xx

Rp..xx

Rp..xx

Februari Rp..xx

Rp..xx

Rp..xx

Rp..xx

Rp..xx

Dst...

Pada tabel angaran kas tersebut dimasukkan data yang berasal dari skedul
penerimaan dan pengeluaran untuk tiap-tiap bulan selama satu tahun yaitu:
1. Saldo Awal. Adalah jumlah uang yang telah masuk pada kas daerah sejak
awal bulan bersangkutan. Untuk Saldo Awal bulan Januari diperoleh dari
SiLPA (Sisa Lebih Pembiayaan APBD), sedangkan awal bulan februari
merupakan saldo akhir bulan januari.
2. Penerimaan, adalah penerimaan seluruh komponen pendapatan daerah
ditambah komponen pembiayaan daerah. Dalam menyusun penelitian ini
penerimaan daerah merupakan akumulasi penambahan dari pendapatan
asli daerah, dana perimbangan serta lain lain pendapatan daerah yang sah.
3. Total adalah penjumlahan dari saldo awal ditambah penerimaan.
4. Pengeluaran adalah pengeluaran seluruh komponen belanja daerah
ditambah komponen pengeluaran pembiayaan. Belanja Daerah merupakan
penjumlahan dari belanja langsung dan belanja tidak langsung.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

74

5. Saldo akhir adalah selisih antara total dan pengeluaran. Saldo akhir bulan
tertentu akan menjadi saldo awal bulan berikutnya.
Model matematisnya adalah sebagai berikut:
PD
= PAD + DP + LPD
TPD = PD + PnP
BD
= BTL + BL
TPLD = BD + PLP
Saldo Akhir = (saldo awal + TPD) -TPLD
Dimana :
PD
PAD
DP
LPD
TPD
PnP
BD
BTL
BL
TPLD
PLP

= Pendapatan Daerah Daerah

= Pendapatan Asli Daerah
= Dana Perimbangan
= Lain-lain Pendapatan Daerah yang Sah
= Total Penerimaan Daerah
= Penerimaan Pembiayaan
= Belanja Daerah
= Belanja Tidak Langsung
= Belanja Langsung
= Total Pengeluaran Daerah
= Pengeluaran Pembiayaan
Sedangkan untuk jumlah kas menganggur yang akan diinvestasikan

atau dilakukan penempatan dananya melalui instrumen investasi deposito

dihitung berdasarkan selisih antara saldo akhir dikurangi dengan kebutuhan
minimum giro untuk bulan berikutnya.
3.5.Jenis dan Sumber data
Untuk memperoleh data dan informasi yang dibutuhkan dalam
penelitian ini menggunakan data sekunder yang berasal dari Dinas
Pendapatan, Pengelolaan Keuangan dan Aset dalam bentuk Realisasi
Anggaran tahunan yang dipublikasikan melalui Peraturan Daerah tentang
pertanggungjawaban APBD dimana terdapat laporan keuangan yang
digunakan sebagai data dasar analisa. Sedangkan untuk mengetahui aliran kas
daerah per bulan dikumpulkan dengan pengolahan data realisasi anggaran
perperiode tertentu (misal perbulan atau pertribulan) didapat dari pengolahan
Sistem Informasi Keuangan Daerah (SIKD) yang telah tersinkronisasi dengan
Kas Umum Daerah dan penggunaan treasury single account.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

75

Data pertanggungjawaban APBD yang digunakan adalah Realisasi

APBD dari Tahun 2001 hingga 2009. Sedangkan untuk data realisasi per
periode tertentu menggunakan data APBD tahun 2006 hingga 2009, untuk
memperoleh data empat periode sebagaimana dibutuhkan dalam analisa
dekomposisi. Namun karena terjadi perubahan peraturan dimana saat itu
Peraturan Menteri dalam Negeri nomor 13 tahun 2006 telah efektif
dilaksanakan, terjadi perubahan jenis belanja dalam susunan penyusunan
anggaran sehingga untuk tahun 2006 dilakukan konversi belanja terlebih
dahulu dengan memilah jenis belanja untuk disesuaikan dengan laporan
APBD

tahun

2007

pengelompokan jenis

dan

seterusnya

sehingga

terjadi

konsistensi

data. Untuk data pendukung lainnya didapat dari

Bapeda, Bagian Pembangunan Sekretariat Daerah dan beberapa perbankan

umum di Kabupaten Pekalongan
3.6. Teknik Pengolahan Data
Data sekunder yang diperoleh dari data realisasi anggaran
pendapatan dan belanja daerah yang tersedia diolah dan dianalisis dengan
menggunakan alat dan metode statistik yang sesuai. Dalam penelitian ini
pengolaan data dilakukan dengan menggunakan bantuan dari software
Statistika yaitu SPSS( Statistical Product and Service Solution) Versi 17 dan
Microsoft Excel, Agar proses pengolahan data lebih cepat dan akurat.

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.

76

Dekomposisi dan
Proyeksi Pendapatan
Asli Daerah Perbulan
(PAD)

Total Proyeksi
pendapatan daerah
(PD=PAD+DP+LPD)

Dekomposisi dan
Proyeksi Dana
Perimbangan
perbulan (DP)
Total Penerimaan
Daerah (TPD=PD+PnP)

Dekomposisi Proyeksi
lain-lain Pendapatan
Daerah yang sah (LPD)
Dekomposisi dan
Proyeksi Penerimaan
Pembiayaan Daerah
(PnP)
Dekomposisi dan
Proyeksi Belanja Tak
Langsung (BTL)
Dekomposisi dan
Proyeksi Belanja
Langsung (BL)

Total Proyeksi Belanja

Daerah (BD=BTL+BL)

Dekomposisi dan
Proyeksi Pengeluaran
Pembiayaan Daerah
(PLP)

Perhitungan sisa kas

daerah perbulan (SK=
APK-APLK)

Total Pengeluaran
Daerah TPLD=BD+PLP)

Anggaran Kas Daerah :

1. Anggaran
Penerimaan Kas
perbulan (APK)
2. Anggaran
Pengeluaran Kas
Perbulan (APLK)

Simulasi Penempatan
idle Cash (SK)

Proyeksi Penambahan
PAD melalui investasi
Sisa Kas (SK)

Gambar 3.6. Bagan Alir Mekanisme Penyusunan Anggaran Kas

Universitas Indonesia

Pengelolaan kas..., Arif Subekti, FE UI, 2010.